改进分类性能的群集分析系统和方法

摘要

一种用于分类未知部件的方法，该方法包括获取在部件的训练集中的多个部件的宽带频率响应，该部件的训练集包括多个无缺陷部件和多个缺陷部件，对宽带频率响应进行统计分析以形成多个部件子集，该多个部件子集包括至少一个无缺陷部件子集和至少一个缺陷部件子集，并且利用该多个部件子集形成部件的混合子集，该部件的混合子集用于将未知部件分类为缺陷部件或无缺陷部件。此处也对实行该方法的工具进行了描述。

说明书

相关申请的交叉引用

本非临时申请要求2009年11月19日提交的、申请号为61/262,775的 美国临时申请的优先权，所述美国临时申请的所有内容在此明确地全部并入本 申请中。

背景技术

本申请大体涉及一种模式识别系统，特别涉及一种使用群集分析(cluster  analysis)来改进不同部件的分类性能(sorting performance)的系统和方 法。

用户们利用不同的部件来制造更加复杂的组件。在这些部件被安装到更复 杂的组件中之前，用户们利用不同的测试方法来识别出“好”的和“坏”的部 件。所述好的部件符合生产商的技术规范。然而，所述坏的部件不符合用户的 技术规范。

为了既将所述好的部件识别出来又将所述坏的部件识别出来，用户通常给 外部测试设备提供例如一组已知的好的部件和坏的部件。该组已知的好的部件 和坏的部件在此处被称为“训练集”(training set)。该测试设备利用传统系 统来收集训练集中的各种数据。然后将这些数据储存在传统系统的数据库中。 针对各个部件所收集的数据包括共振或峰值的频率以及该峰值的数值，例如振 幅、零交点宽度(zero-crossing width)等等。然后将针对所有的选定峰值 的合成频率值(resultant frequency values)传输到传统的统计分析/模式 识别(VIPR)的工具中。

所述VIPR工具利用合成频率(resultant frequencies)来识别马哈拉诺 比斯田口系统(Mahalanobis Taguchi System)/马氏距离(Mahalanobis  Distance(MTS))。所述MTS距离用于识别频率子集，该频率子集用于找到在 所提供的好的部件和坏的部件之间的差异以及优化阈值距离(threshold  distance)，以接收尽可能多的好的部件和拒绝尽可能多的坏的部件。这个最 初的MTS测试仅使用好的部件来创建它的测试然后为每个部件(包括坏的部 件)分配“MTS距离”，该距离即是该部件与所述好的部件的“中心”的距 离。

MTS距离是多维值，该多维值在二维(2D)图形中可表现为椭圆形并且在 三维(3D)图形中表现为“蛋形”，所有在“蛋形”内部的部件通过MTS测试 (好的部件)而所有在“蛋形”外部的部件则没有通过MTS测试(坏的部件)。 MTS测试通常使用3-7种频率(规格)来识别好的部件和坏的部件。在一些坏 部件被接受的情况下，使用额外的“偏差检测”来拒绝这些额外的坏的部件。 使用仅针对坏的部件的频率，通过计算额外的MTS距离来进行该偏差检测。结 果，两个MTS距离被用于计算每个部件，即来自“好的椭球中心”(goods center  ellipsoid)的该部件的距离和来自“坏的椭球中心”(bads center ellipsoid) 的该部件的距离。两个MTS距离的比率用于拒绝额外的部件。更普遍地，如果 传统系统确定该部件更靠近坏的椭球中心的中心，那么该部件则很有可能是坏 的或非不合格的部件，从而被拒绝。然后该VI PR返回到一系列可能的解 (possible solutions)，这些解可以包括用于从坏的部件中区分出好的部件 的所述3-7种频率。该组可能的解被称为“VIPR得分”(″VIPR Score″)。该 VIPR得分是好的部件通过MTS和偏差检测和坏的部件不能通过MTS和偏差检 测的机率的总和。

传统的验证工具利用VIPR得分来确保所有上述峰值可被适当地挑选出来 并且同样确保在VIPR的解(VIPR solution)中没有矛盾或问题。该验证工具 决定哪些峰值可用于预测寻找下一个峰值的窗口(window)以及用于以最佳的 方式组织清除峰值的次序。每个潜在分类被给予有效得分(Validation  score)，该有效得分是根据真实的数据好的部件将通过该测试和坏的部件将不 能通过该测试的机率的总和，而非仅为频率。使用者将所述解输入“产品”， 意味着所述解被应用在从新产品所接收的未知部件上。当用户的过程 (process)改变或结果不再是可接受的数据时，那么在新分类的部件上采集 (taken on)数据并且重复整个过程。

然而，当所处理(processing)的部件具有大的过程差异(process  variation)时，传统的VIPR系统通常没有那么有效。更具体的说，这种在好 的部件中的变化如此之大以至于这些变化遮盖了在好的部件和坏的部件之间 的差异。因此，VIPR被迫将所有的这些好的但可能并没有那么相似的部件聚 集成一个大群。因为VIPR利用单一的大群来识别好的部件，所以大群的界限 可变得如此之大以至于坏的部件可能被不小心包括在好的部件的群中。

发明内容

在一个实施例中，提供一种对未知部件进行分类的方法。该方法包括：获 取对在部件的训练集中的多个部件的宽带频率响应，部件的训练集包括多个无 缺陷部件和多个缺陷部件，在宽带频率响应上进行统计分析以形成多个部件子 集，该多个部件子集包括至少一个无缺陷部件的子集和至少一个缺陷部件的子 集，以及利用多个部件子集来形成部件的混合子集，该部件的混合子集被用于 将未知部件分类为缺陷部件或无缺陷部件。

在另一个实施例中，提供了群集分析工具(cluster analysis tool)。该 群集分析工具包括用于扫描部件的训练集的超声探针，该部件的训练集包括多 个无缺陷部件和多个缺陷部件，以及连接到超声探针的群集分析模块。该群集 分析模块被配置为从针对多个在部件的训练集中的部件的超声探针中获取宽 带频率响应，部件的训练集包括多个无缺陷部件和多个缺陷部件，在宽带频率 响应上进行统计分析以形成多个部件子集，该多个部件子集包括至少一个无缺 陷部件子集和至少一个缺陷部件子集，并且将该多个部件子集传输到统计分析 工具，该统计分析工具形成部件的混合子集，该部件的混合子集被用于将未知 部件分类为缺陷部件或无缺陷部件。

通过查阅如下详细的描述、权利要求和附图，本发明的其它特征或优点对 本领域的技术人员而言将变得显而易见，其中相同的数字用于指代相同的特 征。

附图说明

图1是分类未知部件的示范性方法的流程图。

图2是与不同实施例相关的所获得的示范性的宽带信号的图解说明。

图3是与不同实施例相关的被分类为两个示范性子集的示范性的部件分 布的图解说明。

图4是与不同实施例相关的示范性工具的简化方框图，所述工具可用于执 行在图1中所示的方法。

图5是与不同实施例相关的在图4中所示工具的一部分的简化的图解说 明。

在详细解释本发明的实施例之前，应理解的是，本发明在其应用中并不局 限于如下描述中所陈述的或在附图中所说明的部件的结构和布置的细节。本发 明可以包括其他实施例并且能够以不同方法来实现或执行。同样，应理解的是， 此处所用的措辞和术语是为了描述的目的而不应该视为限制。使用“包括”和 “包含”以及其变型意味着包含之后列举的所有项目和它们的等同物以及其他 的项目和其等同物。

具体实施方式

在此描述的是一种便于将未知部件分类为缺陷部件或无缺陷部件的群集 分析的方法和设备。当该部件被分类为缺陷部件时，该方法也能确定缺陷的类 型。该方法利用部件的训练集来形成多个子集，该子集在此也被称为群集或部 件群集。在此所描述的群集分析方法可用作例如上述的VIPR系统的针对统计 分析/模式识别工具的预处理器，以改进统计分析/模式识别(VIPR)工具的结 果。如此处所使用的，群集分析是一种算法分类，其把来自于大群的观察结果 分配进入至少一个更小的子集或群集中。确定部件群的数量以及确定哪个部件 属于哪个群的优点在于改进了统计分析/模式识别工具的结果。在此描述的群 集分析方法的优点包括将群集与已知的群相关联而无需利用该群的以前的信 息。在此描述的群集分析方法使得该统计分析/模式识别工具能够创建两个或 多个被更紧密分组的子集或群集。更小的子集提高了统计分析/模式识别工具 接受所有无缺陷部件并拒绝所有缺陷部件的能力。

图1是将未知部件分类为缺陷部件或无缺陷部件的示范性方法100的流程 图。所述方法100包括步骤102，即接收待测部件的训练集。该训练集包括大 量的已知无缺陷部件和缺陷部件。在步骤104中，获取针对在训练集中的每个 部件的宽频信号。在示范性实施例中，使用超声波信号扫描每个在训练集中的 部件以获得每个部件的宽频信号。具有多个超声传感器的超声探针(如下所示) 接收来自每个部件的回声(echoes)以产生该部件的宽频信号。该宽频信号包 括在超声传感器处接收到的频率响应的共振的峰值和谷值(the resonant  peaks and valleys)。在示范性实施例中，在多个频率处扫描在训练集中的每 个部件以产生每个部件的宽频信号。

为了产生在训练集中的每个部件的宽频信号，用由收发器产生的声波通过 超声探针扫描每个部件。在示范性实施例中，具有预定频率范围的声波被应用 到该部件。部件对声波的响应在多个传感器位置处被感知。声波可以一系列梯 度应用到部件中，该梯度声波在频率上增加，而且频率间隔比共振宽度小得多， 而且其时间间隔比所获得的共振时间间隔小得多，从而在该频率被激发后，其 在固定频率处衰减。例如，该声波的频率最初可设定为1赫兹(Hz)，此处被称 为起始频率，或任何其他被选定用于测量的频率。此外，可通过确定起始频率 和终止频率来选定频率梯度，然后通过测量所需的梯度的数字(number)来区 分频率差异。例如，要求100个梯度的从起始频率1Hz到终止频率1kHz的 测量将得到10Hz梯度。

然后宽频信号，即，频率响应，被记录下来。所记录的是至少一个共振响 应(至少一个共振响应频率和它的振幅)。在此使用的共振和共振频率是指被 描述成频率、频率宽度和振幅的全部响应。响应频率可以是基于部件规格 (dimensions)或基于部件刚度的频率。例如，第一共振频率可以是基于部件 的规格而第二共振频率可以基于部件的刚度。

在106处，在训练集中的每个部件所获取的宽频信号被堆叠以形成单一的 图解说明。该图解说明包括多个频率响应200，即，包括针对在示范性训练集 202中每个部件所获取的宽频信号。例如，图2是在步骤104处获取的示范性 频率响应200的图解说明，其中，Y轴表示示范性训练集202中的部件，X 轴代表针对在示范性训练集202中每个部件所记录的频率响应204。如图2所 示，在示范性实施例中，示范性训练集202包括13个待测部件。如上所讨论， 训练集202包括大量已知的无缺陷部件和缺陷部件。在此处描述的示范性实施 例中，训练集202包括7个已知的无缺陷部件206和6个已知缺陷部件208。 然而，应该认识到，训练集202可包括任何数量的已知无缺陷部件206和已知 缺陷部件208。

再次参考图1，在108处，针对在训练集202中的每个部件选定在图2中 所示的在每个宽带频率响应内的共振峰值。在示范性实施例中，共振峰值代表 共振，其中该部件在那个频率处振动。应该认识到，在训练集202中的所有无 缺陷部件和缺陷部件具有在不同共振状态下产生的峰值。在一个实施例中，计 算机(如下所示)使用频率响应202来选择共振峰值，而且在图2中所示的堆 叠安排(stacking arrangement)使得操作者能够视觉上核实被选定的共振峰 值或修改计算机所选择的共振峰值。然而，应该认识到，计算机可自动地实施 此处描述的方法，在这种情况下未利用在图2中所示的图解说明。

因此，在示范性实施例中，识别出针对在训练集202中的每个部件的共振 峰值。然后核对该共振峰值被以识别具有共同峰值的部件，例如，具有在同样 的或大体相同的频率处发生共振的部件。例如，第一部件220具有多个峰值 222，224和226，每个峰值产生在不同频率处。第二部件230具有多个峰值 232，234和236，每个峰产生在不同频率处。第三部件240具有多个峰242，244 和246，每个峰产生在不同频率处。如图2所示，对于第一部件220的频率响 应或峰值222大体发生在与对于第二部件230的频率响应232和对于第三部件 240的频率响应242相同的频率处。此外，至少一些部件具有发生在邻近处或 在预定距离内的频率响应或峰值，如至少发生在与峰值222，224和226等相 同的某些位置处。

因此，在示范性实施例中，对于每个在训练集202中的部件的宽度频率响 应被用于识别塔器(column)，其中每个塔器代表在训练集中的多个部件，每 个部件在大体相同的频率处产生频率响应。例如，第一塔器250代表由在训练 集202中的每个部件在第一频率处产生的信息。第一塔器250示出在训练集 202中的大多数部件在第一频率处具有频率响应。第二塔器252代表由在训练 集202中的每个部件在不同的第二频率处产生的信息，以及第三塔器254代表 由在训练集202中的每个部件在第三频率处产生的信息。因此，塔器用于识别 频率响应，该频率响应对大多数，如果并非所有的，在训练集202中的部件而 言是共同的。应该认识到，尽管图2示出三个塔器250，252和254，但是该 响应信息可被分类成多于或少于三个塔器。在一个实施例中，计算机可自动限 定塔器。然后，操作人员可接受所限定的塔器，移除塔器，增加额外的塔器等。 优选地，操作人员可手动选择塔器。

再次参考图1，在110处，在塔器上执行统计分析，该塔器在110处被识 别以形成多个部件子集。特别是，在110处被识别的塔器中的信息用于将在训 练集202中的部件分成更小的子集或群集。该部件子集或群集包括至少一个仅 具有无缺陷部件的子集和至少一个仅具有缺陷部件的第二子集。在示范性实施 例中，在110处被识别的塔器可用于形成多个已知无缺陷部件的子集和多个包 括已知缺陷部件的子集，下面将详细讨论。

执行统计分析可包括例如利用算法以产生信号或将部件表征为例如该塔 器的共振频率、共振频率总和、在共振频率中的差异和/或塔器的任何其它操 作(manipulations)，这可用于产生来源于该数据的统计信息。在示范性实施 例中，统计信息通过利用统计分析来识别针对每个子集的中心然后通过确定对 于每个部件与子集中心的距离来将无缺陷部件分类成各个子集。例如，该算法 首先通过输入代表每个子集的中心的初始值或推测值(guess)来进行执行统 计分析。例如，假设该子集包括两个无缺陷部件子集和两个缺陷部件子集，那 么首先输入对于每四个子集的中心的初始估测值(initial estimate)。然后， 在训练集202中的每个部件被分配到归属等级中(membership grade)，该归 属等级表示该部件与每个群的中心靠近的程度。

例如，每个无缺陷部件是根据该特定的无缺陷部件与每两个无缺陷部件子 集的中心的距离来分配等级。此外，每个缺陷部件是根据该特定的缺陷部件与 每两个缺陷部件子集的中心的距离来分配等级。然后每个子集的中心根据对子 集中的每个部件所分配的归属等级进行反复的修正。在操作中，利用该反复来 将目标函数最小化，该目标函数代表从任一给定的部件到由那个部件的归属等 级所衡量的群中心的距离。大体上，该算法用于将部件分成无缺陷部件子集和 缺陷部件子集。此外，该算法同样根据上述得分来形成多个无缺陷部件子集和 多个缺陷部件子集。结果，通过计算每个部件与子集中心的距离来确定归属， 即，部件属于哪个特定的子集，该距离越近，则部件越有可能属于那个群。具 体地说，算法确定了每个部件与第一和第二子集的中心的距离。

图3是示范性的部件分布的图解说明，使用上述算法将该部件分成两个示 范性的子集300和302。在本例中，子集300和302代表两个来自训练集202 的无缺陷部件子集。如图3所示，子集300具有如上所述的中心310。此外， 子集302具有中心312。在本例中，大约有80个无缺陷部件，已将编号1-80 分到两个无缺陷部件子集300和302中。每个点和邻近每个点设置的相应的部 件编号分别代表其中一个无缺陷部件的位置，并且也代表每个非缺陷部件分别 与中心310和312的距离。如上所述，每个部件优先地放置在将该部件与子集 的中心之间的距离最小化的子集中。因此，子集300可具有第一数量的部件而 子集302可具有不同数量的部件。例如，子集300可具有20个无缺陷部件， 而子集302可具有10个无缺陷部件。该上述的同样的步骤也应用到缺陷部件 集中，以将缺陷部件放入各自的子集中。应该认识到无缺陷部件的子集仅包括 无缺陷部件，反之，缺陷部件的子集仅包括缺陷部件。

再次参考图1，在112处，在110处产生的子集被输入到统计分析/模式 识别工具中，以形成单个的部件子集，此处称为混合子集，其可用于测试未知 部件以确定未知部件为无缺陷部件还是缺陷部件。在示范性实施例中，上面形 成的子集各自被传输到统计分析/模式识别工具中。例如，假设将无缺陷部件 的第一子集300输入到统计分析/模式识别工具中，该统计分析/模式识别工具 之后将在子集300中的每个部件与设置在缺陷部件子集中的每个缺陷部件进 行比较，以识别响应峰值，从而使得该工具在测试未知部件时能够区分无缺陷 部件和缺陷部件。然后将无缺陷部件的第二子集302输入到统计分析/模式识 别工具中。如上所述，然后该统计分析/模式识别工具将在子集302中的每个 部件与设置在缺陷部件子集中的每个缺陷部件进行比较以识别响应峰值，从而 使得该工具在测试未知部件时能够区分无缺陷部件和缺陷部件。

应该认识到，统计分析/模式识别工具可使用其它不同的比较以形成混合 子集。例如，统计分析/模式识别工具可将无缺陷部件的第一子集300与缺陷 部件的第一子集进行比较，将无缺陷部件的第一子集300与缺陷部件的第二子 集进行比较，将无缺陷部件的第二子集302与缺陷部件的第一子集进行比较； 和/或将无缺陷部件的第二子集302与缺陷部件的第二子集比较。在示范性实 施例中，利用缺陷部件的多个子集使得统计分析/模式识别工具能够精确地确 定未知组件应该被包括在哪个子集中。例如，缺陷部件的第一子集可包括具有 裂缝的部件。缺陷部件的第二子集可包括具有例如收缩(shrinkage)、孔 (perocity)、团块(mass)和/或刚度(stiffness)等的规格缺陷的部件。 因此，上述的改进的分类能力使得操作人员能够确定未知部件是有裂缝还是有 某些其它缺陷。

再次回到图1，在114处，统计分析/模式识别工具利用单个的混合子集 以测试未知部件。在示范性实施例中，单个的混合子集可包括2到9种不同的 共振响应频率，该共振响应频率可用于确定未知部件是缺陷部件还是无缺陷部 件。此外，如果未知部件被分类为缺陷部件，那么单一的混合子集使得该部件 能被分配到缺陷部件的特定子集，其中每个子集代表不同的缺陷。因此，该方 法不仅确定未知组件是否是缺陷组件，该方法同样使得操作人员能够识别具体 的部件缺陷。在示范性实施例中，可以重复上述方法100直到操作人员接收到 新的部件以进一步训练统计分析/模式识别工具。例如，当接收到新的未知组 件时，方法100再次将该部件分类进入其中一个子集或群集中，该子集或群集 包括无缺陷部件的子集和缺陷部件的子集。重复该方法使得该工具能够核实新 加入部件的类别。然后该工具识别该新的部件是无缺陷部件还是缺陷部件。此 外，如果该工具不允许使用者对该部件进行分类，那么该工具可产生视觉或听 觉提示以警告使用者在使用该工具分析该部件之前进行一些额外的操作。在训 练集200中的某些缺陷部件不小心被分类为无缺陷部件的情况下，该方法100 可同样实施“偏差检测”以拒绝这些额外的缺陷部件。

此处描述的该方法的不同的实施例可通过或使用图4所示的群集分析工 具400来执行。应该认识到，尽管图4示出了具体表现为超声成像系统的示范 性群集分析工具400，但方法100可使用任何配置为执行在此所述群集分析方 法的系统来执行，而群集分析方法400代表一个这种系统的实施例。在此示范 性实施例中，群集分析工具400包括超声探针402，该超声探针402被配置为 扫描各种部件404，例如在上述训练集202中的部件。在操作中，超声系统探 针402被配置为引导超声信号进入每个部件404。至少一个超声传感器406接 收来自部件404的响应以产生部件404的宽带信号。宽带信号包括在超声传感 器406处接收到的超声响应的共振峰值和谷值。在示范性实施例中，在多个频 率处扫描每个部件，以产生每个部件的宽带信号。此外，如前所述，获取针对 在训练集中的每个部件的宽带信号。

在示范性实施例中，群集分析工具400同样包括被配置为执行此处所述方 法的群集分析模块410。具体地说，该方法100可被作为在群集分析模块410 上的一组指令来实施。可选择地，群集分析模块410可以是电路连接的 (hardwired)或焊接的(fabricated)以执行方法100。在操作中，群集分 析模块410被配置为确定来自相同模子的部件，确定来自同样模子的部件是无 缺陷部件还是缺陷部件，和/或确认在多个部件中的相似缺陷，然后将具有相 似缺陷的所述部件分配到同样的群集中。该缺陷可包括例如结节(nodules)、 杂质(inclusions)、硬化(hardening)、不均匀(non-uniformity)和共塑 造(co-molding)等。在示范性实施例中，具有基于频率响应的相似超声的部 件被分配到相同的群集。

图5是示范性群集分析模块410的图解说明，该群集分析模块410在图4 中示出用于执行共振超声光谱学测量。在一个实施例中，模块410包括计算机 500。可选地，计算机500可成为群集分析工具400的部件。在操作中，计算 机500控制合成器502的操作和16比特模拟数字转换器504的操作，用于将 每个数据输入信道连接到每个接收传感器506，508。传感器506具有在线510 上的输出且传感器508具有在线512上的输出。

优选地，合成器502具有大于0到8兆赫兹的频率范围。在操作中，合成 器502具有两个输出，这两个输出是在输出端520的频率F1和频率为F2的第 二输出，该第二输出是F1加上例如用于接收器的外差操作(heterodyne  operation)的1000赫兹的恒定频率，或是在线522处的用于零差操作 (homodyne operation)的在F1处的恒定频率。第一传感器524由合成器502 在频率F1处被激发。传感器524向目标物，例如待测部件404，提供超声振 动。

然后部件404的响应被两个独立的输出传感器506和508接收。来自输出 传感器506和类比/数位转换器504(A/D converter)的电路与在传感器508 和A/D转换器504之间的电路是相同的。由于这个原因，下面仅讨论在传感器 506和A/D转换器504之间的电路。将一个一倍(x1)的放大器530连接到传 感器506上，且该放大器530给变压器532提供电流。将来自传感器506的输 出连接到接收器(未示出)，该接收器提供了在传感器506和A/D转换器504 之间的电路中的放大(amplification)和噪声抑制(noise rejection)。

输出端A(线534)被应用到计算机内的A/D转换器504上。通常的，A/D 转换器504包括每条线534和536的16比特A/D转换。然后该转换信息进入 到包括所测量频率响应信息、A的振幅、B的振幅、A加B的振幅和A减B的 振幅的信息的文件中。然后此文件用于进一步的光谱分析以确定在上述方法 100中的被测部件404的特性。该一倍(x 1)放大器530将反馈提供给内部同轴 电缆套管540(inner coaxial cable shield)，该同轴电缆套管540围绕着 从传感器506到放大器530的导线。套管540也是可以用于抑制噪声的另一种 接地屏蔽(grounded shield)。

在示范性实施例中，传感器532是一种用于对放大器542的输入进行阻抗 匹配的4∶1降压器(step down transformer)。就这一点而言，应注意到放 大器530的输出阻抗比传感器506的输出阻抗要低得多。这为功率增益(power  gain)和对套管540的必要的反馈做出准备。放大器542可具有100∶1的增 益系数或40分贝增益。放大器542可作为具有例如50兆赫兹级别的带通(band  pass)的宽带放大器进行实施。

群集分析模块410可同样包括混合器550，该混合器550具有可以是例如 1000赫兹信号的输出，该信号具有与来自合成器502的设置在线520上的频 率F1的振幅成正比的振幅。合成器502的功能是提供在线554和556上的输 入的瞬时值的逐点(point-by-point)增加。混合器550同样具有很多无息(no  interest)的高频率输出部件。因此，该高频率部件被低带通滤波器558过滤 掉。滤波器558用于清除来自混合器550的信号，同样提供在线534上的电压， 该电压仅是在振幅处的1000赫兹信号，该振幅与传感器506的输出510的振 幅成正比。

在此描述的示范性方法是可用作对例如VIPR的示范性统计分析/模式识 别工具的预处理器。在操作中，在此描述的方法对将不同部件分类到各个群集 或子集进行了改进，该分类使得统计分析/模式识别工具能更准确地将部件分 类为无缺陷部件或缺陷部件，因此改进了统计分析/模式识别工具的整体性能。 在此描述的方法同样提供了增强的灵敏度，以改善部件分类性能，从而区分无 缺陷部件或缺陷部件。该群集分析方法同样提供了将部件聚集的能力，因此降 低了需要对其中好的部件做出说明的变异量(amount of variation)，从而获 得更好的结果。该群集分析方法同样使得偏差检测有效，以证明它是真实的和 有价值的，还提供了利用多重偏差检测的能力，所有这些现在被验证，并且在 允许该部件进入训练集之前核实部件分类。

在此描述的群集分析工具和方法的另外的优点包括，提供一种从坏的部件 中分类出好的部件的能力，提供一种使分类结果与“未知”的、盲目的或新 的产品部件的物理性质相关联的能力，也就是说，群集分析方法确定部件来自 哪个模具或冲模以及不合格的部件最可能具有哪种缺陷。群集分析方法同样提 供了改进的统计分析/模式识别工具有效得分从而统计分析/模式识别工具无 需为所有好的部件的全部过程变化做出解释，而可仅利用更小的子集或群集。 更小的子集或群集使得统计分析/模式识别工具能够利用以前统计分析/模式 识别工具不能利用的频率，这些频率通常为来自更高质量的频率，从而易于挑 选峰值、更好地进行分类。群集分析方法也提供了更强的验证新加入训练集的 部件的能力，并且使将要进行的各种新测试对较小的缺陷更加灵敏，而仅使用 统计分析/模式识别工具则更加难以确认较小的缺陷。

前述事项的变型和修改均在本发明的保护范围内。应当理解的是，本发明 在此所披露和限定的内容延伸到从文本和/或附图中提及的或显而易见的两个 或多个单独特征的所有可选组合。所有这些不同的组合构成本发明的各种可选 方面。在此所述的实施例解释了用于实现本发明的最佳模式，并且所述实施例 将使得本领域其他技术人员能够利用本发明。权利要求被解释为包括可选实施 例到现有技术所容许的程度。